基于小波包分解和形态学融合的地基云图边缘检测

采用一种基于小波包分解和数学形态学融合的边缘提取方法用于地基云图的边缘检测.首先对图像进行基于小波包分解的边缘提取,然后对图像进行数学形态学的边缘检测,最后利用图像融合技术对两幅图像进行融合得出最优边缘图像.通过Matlab软件验证和比较,表明该方法实际使用效果较好.     

基于二维复数离散小波包变换的桥面裂缝检测

为了解决传统桥梁维护检测依靠检测人员进行现场测量,造成桥面检测效率低下且耗费巨大的问题,提出了一种基于二维复数离散小波包变换的桥面裂缝检测方法.采用无人机对桥面图像进行采集,并通过二维复数离散小波包变换来提取桥面裂痕特征.根据频域的角度范围设计了一维非分离滤波器计算小波变换需要的方向分量,并将该分量应用到通过2D-CWPT所获得的小波系数中,从而提取任意方向上的图像特征.采用提出的桥面裂缝检测方法对桥面裂缝进行检测,实验提取到了桥面裂纹的多方特征,验证了本方案的有效性.     

基于小波包-陷波器的电机断条故障诊断的仿真

转子断条是异步电动机常见的一种故障.基于小波包-自适应陷波器的电机断条故障诊断方法利用小波包对信号进行细致分解,从分解系数上准确找到故障信号所在节点,对该节点进行重构得到要分析的信号,然后采用自适应陷波器去除工频的干扰,提取故障特征量.MATLAB仿真表明,该方法便于故障特征量的提取,从而提高故障诊断的准确率.     

应用DSmT的堆芯吊篮故障信号小波包分析

为解决反应堆堆芯吊篮故障信息难以获取问题,提出一种采用DSm T小波包能量分析的故障特征决策提取融合方法.研究分析了堆芯吊篮在吊篮破裂、吊篮紧固件部分脱落和堆芯支撑下板与吊篮热处理变形3种故障工况的振动信号,采用小波包变换提取故障信号频段能量,将含有故障信息的采集数据经小波包能量分析后直接赋值给DSm T信度函数.实验结果表明,小波包能量分析DSm T融合方法的诊断准确率优于小波包子带能量特征向量图方法,DSm T融合算法能够有效辨识吊篮故障模式,具有较高的诊断效率及可靠性.     

小波包异步电机转子故障检测DSP实现

DSP作为信号处理器,采用小波包算法对电机转子断条数据进行分析处理,提取出故障特征。分别对基于DSP和基于Matlab条件下实现的小波包算法进行对比实验。     

基于小波包负荷特征提取和径向基网络的短期负荷预测新方法

准确的负荷预测是电力系统做出合理调度的重要依据.提出基于小波包能量和神经网络理论的短期负荷预测新方法,将负荷序列进行小波包分解,提取小波包能量作为径向基神经网络负荷序列的输入特征量.大量的预测实例分析表明,所提出的预测方法具有稳定性和准确性.     

基于小波分析和神经网络的渗碳层深度分类

提出了一种基于小波理论的新的特征值提取方法,较全面地反映了信号的时频特征,并将小波包提取的特征值输入到BP网络,对7种不同渗碳层深度的试件进行了分类.实验结果表明,小波包特征值提取和BP神经网络分类器相结合,可以实现对不同渗碳层深度的分类,其效果良好、精度较高,有一定的实用价值.     

小波包降噪在风机振动检测中的应用

该文针对小波包变换理论及小波包降噪基本原理,对风机的异常振动加速度信号进行了处理,提取有效的信号特征,滤除干扰.实验结果表明,小波包降噪能够根据实际信号的特征,自适应地选择频带,滤出各种噪声干扰.在此基础上对信号进行频谱分析,可以实现对风机故障的高效诊断.     

小波包算法在异步电机故障检测中的应用

对电机故障信号利用小波包算法进行分解,应用小波包频率分辨率高的特性,提取出包含电机故障特征频率分量的局部频段进行分析,通过对小波包分解系数与正常无故障时的分解系数相比较,判断有无故障的发生,并在Matlab环境下进行了仿真实验.     

一种改进的雷达信号小波包特征提取方法

针对低信噪比下雷达辐射源信号分类问题,提出一种基于小波包特征提取的改进方法。首先对信号进行小波包分解,然后在小波域采用阈值收缩降噪方法对小波包系数进行去噪处理,并提取去噪后小波包能量的统计特征,最后设计支持向量机分类器实现对雷达信号的自动分类。实验结果表明,采用去噪小波包的特征提取方法能有效降低噪声对信号识别效果的影响,当SNR=-3dB时,信号的平均识别率仍能到达93．3％,在较低信噪比下能够得到较为满意的识别效果。     

基于小波包信息熵和小波神经网络的异步电机故障诊断

采用一种基于小波包信息熵和小波神经网络的方法对异步电机进行故障诊断。将故障信号进行小波包预处理,并在此基础上提取信号的小波包能谱熵和小波包系数熵,构成信号的信息熵特征向量。训练小波神经网络使其在输入特征向量后能有效检测并输出故障模式,以实现对单一故障和复合故障的诊断。通过内嵌的方式把小波变换融入神经网络,具有良好的自适应分辨率和容错能力,可以有效避免局部最小值以及收敛速度过于缓慢的问题。试验表明,基于小波包信息熵和小波神经网络的方法能很好地进行异步电机的故障诊断,且该方法优于同参数下的BP神经网络模型。     

基于威布尔分布和支持向量机的滚动轴承故障诊断方法

提出了一种基于威布尔分布模型和支持向量机的滚动轴承故障诊断方法。首先对滚动轴承原始振动信号建立威布尔分布模型,提取其形态参数和尺度参数构建表征轴承运行状态的特征向量,然后将提取的特征向量输入支持向量机分类器进行故障诊断和识别。分别与基于小波分解和小波包分解特征提取的支持向量机诊断方法进行滚动轴承故障试验仿真比较,结果表明,基于威布尔分布模型特征提取的支持向量机诊断方法具有更高的故障识别准确率。     

基于人工神经网络的智能型自适应保护──(Ⅱ)仿真研究

采用一个５００ｋＶ系统的数字仿真模型,对基于人工神经网络的智能型自适应保护进行了检验．仿真结果表明,这种基于新原理的保护具有很好的自适应能力和人工智能性．另外,由于人工神经网络是并行运算的,训练好的神经网络的动作时间几乎为零,因此大大提高了保护动作的速度,即改进了快速性．     

广义支持向量机观测器的设计与仿真

提出了广义支持向量机观测器的概念并介绍了其设计方法。该观测器采用支持向量机回归算法拟合过程变量之间的非线性关系,由过程输入和除被观测输出之外的其它过程输出进行驱动,可用于实现过程传感器的故障检测和容错控制。多变量化工过程仿真实验表明,广义支持向量机观测器克服了神经网络类方法在应用时所存在的过学习、易陷入局部极小和结构选择困难等缺陷,并且达到了很高的拟合精度。     

基于支持向量机的转子振动故障融合诊断技术

针对某些大型复杂旋转机械振动信号特征提取和故障样本获取难的问题,提出了一种基于小波包特征谱熵支持向量机（SVM）的转子振动故障融合诊断方法.通过转子实验台模拟了转子振动的4种典型故障,并采集其振动故障数据.用小波包对振动故障信号进行分解,提取故障信息含量大的频带并计算出其小波特征谱熵作为故障特征,建立故障诊断模型.通过对故障类别的区分和故障严重程度的判断,验证了该方法在解决转子振动故障信号的特征提取及小样本情况下的故障诊断问题等方面是有效的.     

基于振动信号分析和支持向量机的滚动轴承故障诊断

针对滚动轴承出现故障时产生的振动信号具有非平稳信号的特点,通过小波包变换提取故障信号的特征向量,采用支持向量机分类器对提取的特征向量进行多类故障分类.通过与BP神经网络分类器进行对比研究,结果表明,在有限故障样本条件下,支持向量机分类器比BP神经网络分类器具更好的分类性能.     

基于神经网络的结构损伤诊断分析

应用人工神经网络技术,以结构的固有频率为特征参数,建立结构故障诊断模型,对工程中常用的简支矩形截面梁裂纹深度和位置进行了诊断和预测研究,从实例可以看出,应用人工神经网络技术对工程结构进行裂纹损伤故障的综合诊断和预测分析是切实可行的。     

基于RBF神经网络的电流保护

提出了一种基于RBF神经网络的全新的电流保护方式 该网络采用的是 3层RBF神经网络模型 ,由三部分构成 :故障类型与相别判断子网络ANN1;故障方向判别子网络ANN2 ;振荡识别子网络ANN3 对该模型进行了各种故障状态的测试 ,进行了仿真实验 ,并与BP网络进行了比较 ,发现RBF网络训练速度快 ,且证实了基于RBF网络的电流保护的可行性     

基于小波包的配电网故障选线距离判别方法

针对目前小波包选线方法的不足,提出了一种利用距离判别的统计方法以对小波包分解的信息进行充分利用,计算实时能量向量与非故障线路分布的距离以进行选线．充分利用了小波包分解的各频段能量信息和频段能量之间的相关信息,能较好地提高故障选线的正确性,并能结合暂态方向分量、五次谐波等稳态分量的统计特征使用．     

模糊理论在设备故障诊断神经网络中的典型应用

分别阐述了如何结合模糊理论来建立单征兆域单故障诊断、单征兆域多故障诊断及多征兆域多故障诊断等3种典型的诊断模糊神经网络.给出了在实际应用中针对特定问题来建立符合应用需求的诊断模糊神经网络的一般思路,对建立基于神经网络的故障诊断系统具有参考价值和指导作用.